一種基于選取合適聚類數目的聚類算法的數字圖像處理方法技術

本發明專利技術涉及一種基于選取合適聚類數目的聚類算法的數字圖像處理方法，具體步驟包括：(1)輸入灰度圖像；(2)設置需要迭代聚類數K的數目；(3)搜索初始聚類中心：使用分位數的概念尋找初始聚類中心；(4)按照標準的k?means聚類步驟進行圖像分割，輸出的分割圖像；(5)采用最優化準則選出最優分割結果。本發明專利技術提出了一個在分割圖像中可以決定聚類數目的最優化準則。它采用了類內差異和類間差異的概念以較少的聚類數目可以獲得最佳的分割結果。本發明專利技術具有足夠的效率和穩定性，比傳統的k?means算法在運行時間上更有優勢。

A digital image processing method based on the clustering algorithm to select the proper number of clusters

The invention relates to a clustering algorithm to select the appropriate number of clusters of the digital image processing method based on the specific steps include: (1) input gray image; (2) the number of iterations needed set the number of clusters K; (3) to search the initial clustering center: the use of the concept of quantile to find the initial cluster center; (4) image segmentation according to the K means standard clustering step, image segmentation output; (5) by using the optimization criterion to select the optimal segmentation results. The present invention proposes an optimization criterion for determining the number of clusters in a segmented image. It adopts the concepts of intra class difference and inter class difference, which can obtain the best segmentation result with less number of clusters. The invention has the advantages of efficiency and stability than k enough, the traditional means algorithm has more advantages in operation time.

【技術實現步驟摘要】
一種基于選取合適聚類數目的聚類算法的數字圖像處理方法
本專利技術涉及一種基于選取合適聚類數目的聚類算法的數字圖像處理方法，屬于聚類算法分割

技術介紹
在圖像處理領域中，圖像分割對于圖像的分類和處理是非常重要的。因此，我們需要將這些圖像劃分成不同的區域，并提取所感興趣的對象。在不同的圖像分割技術中，聚類是重要的方法之一，并且在灰度圖像的圖像分割上得到廣泛的應用。目前有很多聚類算法：k-means聚類；Fuzzyc-means聚類；山峰聚類和ISODATA方法等。其中最常用的算法是k-means聚類算法。K-means算法是一種無監督聚類算法，它具有直觀、快速和容易實現等特性。盡管這種算法是非常受歡迎的，它仍然具有一些缺陷。其中，最主要的是k-means聚類需要提前知道聚類數，這將降低它的魯棒性和穩定性。圖像分割就是將圖像中有意義的特征或區域提取出來的一個過程。特別是在醫療領域，醫學研究者需要從背景中提取感興趣的區域。因此，我們需要將這些圖像劃分成不同的區域，并提取所感興趣的對象。同時，在各區域內的像素點應具有較高的相似性，區域之間的像素點應具有較高的差異性。圖像分割的應用非常廣泛，它幾乎出現在有關于圖像處理的所有領域，是圖像處理中的一個基礎也是重要的步驟。在不同的圖像分割技術中，聚類是重要的方法之一，并且在灰度圖像的圖像分割上得到廣泛的應用。聚類是分組的一組物體進入相似地特征類的處理過程。它已在許多領域被廣泛使用，包括在統計、機器學習、模式識別、數據挖掘和圖像處理等。在數字圖像處理中，分割在圖像描述和分類中是必不可少的。該技術通常用于許多消費電子產品(即常規的數字圖像)，或在一個特定的應用領域，如醫學數字圖像。算法通常基于相似性和特殊性，其可分為不同的類別，如閾值、模板匹配、區域生長、邊緣檢測、并群集。聚類算法已經被應用在各種領域，如工程、計算機和數學數字圖像分割技術。最近，聚類算法的應用已被進一步施加到醫療領域中，特別是在生物醫學圖像分析，其特征在于圖像是由醫學成像設備產生的。以前的研究證明，聚類算法能夠分割和確定在醫學圖像中感興趣的特定區域。在生物醫學圖像分割任務中，聚類算法通常被認為是適合從已知的解剖信息中分割出感興趣的結構。基于最小化形式的目標函數的聚類方法中，最廣泛使用的就是K-means聚類。K-means算法也被稱為K均值算法，是一種得到最廣泛使用的聚類算法。它將各個聚類子集內的所有數據樣本的均值作為該聚類的代表點，算法的主要思想是通過迭代過程把數據集劃分為不同的類別，使得評價聚類性能的準則函數達到最優，從而使生成的每個聚類內緊湊，并且類間是獨立的。這一算法不適合處理離散型屬性，但是對于連續型具有較好的聚類效果，用于圖像分割具有直觀、快速、易于實現的特點。盡管這種算法是非常受歡迎的，它仍然具有一些缺陷。首先，k-means聚類過程容易陷入局部極小。其次，它不適合用于處理具有離散屬性的數據。另外，它還有可能忽略一些小的聚類。值得注意的是k-means聚類需要提前知道聚類數，這將降低它的魯棒性和穩定性。
技術實現思路
專利技術概述針對現有技術的不足，本專利技術提供了一種基于選取合適聚類數目的聚類算法的數字圖像處理方法；本專利技術介紹了一種最優化準則來解決聚類數目對最終分割圖像的影響。我們基于類內像素差異和類間像素差異來定義一個公式。通過該標準，可以用盡量少的聚類數目得到較好的分割結果。通過客觀的評估測試量度NUandF(I)，我們驗證了該標準性能的穩定性。此外，本專利技術還改進了傳統k-means算法中確定初始聚類中心的方法，利用分位數策略代替了隨機選擇的方法。使用分位數來確定初始聚類中心可以使分割圖像更穩定，同時可以節省運行時間。專利技術詳述術語解釋1、分位數，分位數即分位點，拿四分位數為例，即統計學中，把所有數值由小到大排列并分成四等份，處于三個分割點位置的數值就是四分位數。在本專利技術中，設聚類數位K，即把要分割的圖像的所有像素由小到大排列分成K等份，求出每等份的中心值作為初始聚類中心。2、K-means聚類，一種在數據集中尋找數據聚類的算法，讓差異性度量的成本函數(目標函數)達到最小。本專利技術的技術方案如下：一種基于選取合適聚類數目的聚類算法的數字圖像處理方法，具體步驟包括：(1)輸入灰度圖像；(2)設置需要迭代聚類數K的數目；K的初始值為2；眾所周知，在傳統的k-means算法中迭代聚類數K是未知的。實際上，對于大多數的數字圖像和顯微圖像，把迭代聚類數K設置為2，這是不足以恰當的進行圖像分割的。也有一些實驗者根據自己的經驗來選擇k的值，例如，頭部醫學圖像包括的區域為軟組織，骨頭，脂肪和背景區域，所以他們把k的值設定為4。為了確定k的最優值，本專利技術找到一種測量標準，自動地確定最優的k值。在進行聚類之前，設置k從2至16循環，以代替一個固定假設值。提供了更直觀的趨勢以幫助我們分析。(3)搜索初始聚類中心：使用分位數的概念尋找初始聚類中心；具體步驟包括：A、將步驟(1)輸入的灰度圖像中的所有像素按照灰度值進行升序排列，得到向量，即：所述灰度圖像的大小m*m為一個矩陣，將該矩陣轉換成1*m2的向量，再將1*m2的向量中的所有元素按從小到大的升序排列，得到所述向量；所述向量的分位數Pi通過式(Ⅰ)計算，i＝1,2,...,K：B、通過步驟A計算得到K個分位數，包括P1,P2,...,Pi，P1,P2,...,Pi分別對應著步驟A所述向量，P1,P2,...,Pi即為步驟(1)輸入的灰度圖像的初始聚類中心；例如，K＝4，計算得到四個分位點：P1,P2,P3,P4，P1,P2,P3,P4四個值的結果為：12.5,37.5,62.5,87.5。這些值對應著向量的初始聚類中心。根據傳統K-均值聚類算法，需要從圖像中隨機選擇k個點作為初始聚類中心。然后該算法根據最小歐氏距離將數據點分配到各個聚類中。通過一定次數的迭代，它最大限度地減少從每個對象到聚類中心的距離之和，直至這些質心不會再發生變化。但是，這種傳統的方法效率低，運行時間比較久。而本專利技術尋找初始聚類中心是非常高效的，它相比隨機尋找的方法節省了運行時間。在接下來的說明中，會進行對比測試來驗證它的效率。(4)按照標準的k-means聚類步驟進行圖像分割，輸出的分割圖像；(5)采用最優化準則選出最優分割結果，具體步驟包括：①通過式(Ⅱ)求取輸出的分割圖像的類內差異值Sin，類內差異值Sin是指在一個聚類中所有像素的像素值之間的標準偏差：式(Ⅱ)中，C1,C2,C3,......,Ci是指步驟(3)求取的初始聚類中心P1,P2,...,Pi對應的聚類，n是當前分割圖像中像素的數量，x代表在聚類Ci中每個像素的像素值，是第i個類中所有像素的像素值的平均值；②通過式(Ⅲ)求取輸出的分割圖像的類間差異值Sout，類間差異值Sout是指i個初始聚類中心的像素值之間的標準偏差，其值越大越好。式(Ⅲ)中，K是指聚類數，Pi是指第i個初始聚類中心(的像素值)，是所有初始聚類中心的平均像素值；③通過式(Ⅳ)求取最優化標準為G，如下所示：④根據以上步驟依次求取K為2、3、4、5、6、7、8、9、10、11、12、13、14、15、16時對應的最優化標準為G，根據求取的對應的最優化標本文檔來自技高網...

【技術保護點】
一種基于選取合適聚類數目的聚類算法的數字圖像處理方法，其特征在于，具體步驟包括：(1)輸入灰度圖像；(2)設置需要迭代聚類數K的數目；K的初始值為2；(3)搜索初始聚類中心：使用分位數的概念尋找初始聚類中心；具體步驟包括：A、將步驟(1)輸入的灰度圖像中的所有像素按照灰度值進行升序排列，得到向量，即：所述灰度圖像的大小m*m為一個矩陣，將該矩陣轉換成1*m

【技術特征摘要】
1.一種基于選取合適聚類數目的聚類算法的數字圖像處理方法，其特征在于，具體步驟包括：(1)輸入灰度圖像；(2)設置需要迭代聚類數K的數目；K的初始值為2；(3)搜索初始聚類中心：使用分位數的概念尋找初始聚類中心；具體步驟包括：A、將步驟(1)輸入的灰度圖像中的所有像素按照灰度值進行升序排列，得到向量，即：所述灰度圖像的大小m*m為一個矩陣，將該矩陣轉換成1*m2的向量，再將1*m2的向量中的所有元素按從小到大的升序排列，得到所述向量；所述向量的分位數Pi通過式(Ⅰ)計算，i＝1,2,...,K：B、通過步驟A計算得到K個分位數，包括P1,P2,...,Pi，P1,P2,...,Pi分別對應著步驟A所述向量，P1,P2,...,Pi即為步驟(1)輸入的灰度圖像的初始聚類中心；(4)按照標準的k-means聚類步驟進行圖像分割，輸出的分割圖像；(5)采用最優化準則選出最優分割結果，具體步驟包括：①通過式(Ⅱ)求取輸出的分割圖像的類內差異值Sin，類內差異值Sin是指在一個聚類中所有像素的像素值之間的標準偏差：式(Ⅱ)中，C1,C2,C3,......,Ci是指步驟(3)求取的初始聚類中心P1,P2,...,Pi對應的聚類，n是當前分割圖像中像素的數量，x代表在聚類Ci中每個像素的像素值，是第i個類中所有像素的像素值的平均值；②通過式(Ⅲ)...

【專利技術屬性】
技術研發人員：董祥軍，裴佳倫，陳維洋，
申請(專利權)人：齊魯工業大學，
類型：發明
國別省市：山東,37